随着网络技术的发展，对计算机整个系统的安全性提出了更多更高的要求，特别是针对计算机系统的入侵，必须能够及时、有效的检测处理和防范。将支持向量机分类器应用到入侵检测中，可以保证在先验知识不足的情况下，支持向量机分类器仍有较好的分类正确率，从而使整个入侵检测系统具有较好的检测性能。 本篇论文主要讨论了支持向量机和入侵检测方法的基本理论和各种算法。支持向量机的速度问题是限制其进一步应用的主要问题，人们提出了各种改进方法。但是当样本集混叠比较严重或存在于另一类中的样本点较多时，直接用支持向量机的方法进行分类显然是不行的，有人提出先对训练集用最近邻的方法进行修剪，根据每个样本与其最近邻类标的异同决定取舍，然后再用支持向量机训练得到分类器。这样的分类器不能对支持向量机分类间隔之间的样本点进行有效的分类。 因此，本文在以上算法的基础上，对支持向量机的测试过程进行了改进。在用修剪后的样本集进行训练后，得到相应的支持向量和参数；然后对测试样本集进行测试，判断待识别样本是否落在间隔之外，若是则用支持向量机进行分类，否则用K近邻进行分类。并进行了MATLAB仿真实验，实验结果表明了该方法的有效性。